Проведение проверки на предсказательную силу модели

Если conjoint в SPSS не дает нам уверенности в статистической значимости данных, то в SPSS можно провести проверку предсказательной силы модели. Для этого в опрос добавляются еще один или два контрольных профиля, которые не участвуют в дальнейшем анализе данных. Эти профили необходимы нам только для проверки. Чтобы провести проверку, надо подставить в наше уравнение множественной линейной регрессии данные из этих дополнительных профилей и известные нам оценки частичной полезности. После подстановки, мы получим новые значения переменной y. Новые значения переменной y необходимо проверить на корреляцию со значениями y, которые мы получили от респондентов.

Для проверки используется корреляция Пирсона для интервальных переменных. Команда CONJOINT в SPSS считает коэффициент корреляции, и оставляет принятие решения о предсказательной силе модели за исследователем. Коэффициент Пирсона, который мы получили в примере со смартфонами приведен в таблице 4.

Таблица 4. Проверка модели с помощью контрольного профиля и Пирсона.

Значение коэффициента Пирсона в таблице z позволяет диагностировать наличие сильной связи между ответами контрольного профиля и предсказанными значениями. Следовательно, мы можем делать вывод о том, что модель предсказывает значения зависимой переменной с высокой вероятностью 79%.

Расчет важностей атрибутов

Когда мы знаем частичные полезности, мы можем посчитать важности атрибутов Ii. Зная важность каждого атрибута, мы можем ответить на вопрос, каким характеристикам смартфона заказчику исследования следует уделять больше внимания, а какие и вовсе не повлияют на потребительские предпочтения. Важность атрибута отражает долю объясненной им разницы оценок самого полезного и наименее полезного атрибута. Соответственно, сумма всех важностей атрибутов принимается нами за единицу, а значение важности каждого отдельного атрибута представляет из себя процент от суммы всех важностей. Считается, что чем больше разница между самым полезным и наименее полезным уровнями, тем более чувствителен потребитель к изменению данного атрибута, и наоборот. Расчет важности атрибута производится по следующей формуле:

где Umax i — значение полезности для наиболее предпочитаемого уровня внутри i-го атрибута; Umin i — значение полезности для наименее предпочитаемого уровня внутри i-го атрибута; n — общее число атрибутов.

В примере со смартфонами команда CONJOINT посчитала нам важности атрибутов. Значения важностей представлены на гистограмме 4.

Рисунок 4. Значения важностей атрибутов.

На гистограмме видно, что наиболее значимый атрибут — это камера, а наименее — разрешение экрана.

Расчет полезностей для смартфона с заданными характеристиками Допустим, мы хотим посчитать полезность смартфона с таким сочетанием уровней, которое не вошло ни в один из профилей, для которых мы собирали оценки у респондентов. Тогда задача сводится к подсчету общих полезностей на основании частичных полезностей, которые мы уже знаем. Предположим, что мы хотим узнать, какая полезность будет у смартфона с 36 часами, 1440 разрешением, 128 GB, 20 Mpx и 5 дюймов экраном. Для подсчета общей полезности необходимо воспользоваться моделью главных эффектов, которая суммирует полезности каждого уровня, перевзвешенные по важности атрибутов. Ее уравнение выглядит следующим образом:

где U (Xij) — общая полезность продукта; m — количество атрибутов; ki — количество уровней в атрибуте i; Uij — частичная полезность j-го уровня i-го атрибута; Xij равен 1, если в данном продукте присутствует j-й уровень i-го атрибута; wiважность атрибута.

Если мы применим данную модель для подсчета общей полезности смартфона с топовыми характеристиками, то мы получим значение полезности равное 1,51. Это самое высокое значение общей полезности, поэтому мы будем считать этот смартфон наиболее предпочтительным. Если мы посчитаем полезность смартфона с 16 часами, 720 разрешением, 16 GB, 8 Mpx, и экраном 6 дюймов, мы получим значение 0,57. Это значение является наименьшим из всех, поэтому мы можем считать эту модель наименее предпочтительной для студентов.

Мы уже провели большую половину процедур традиционного conjoint. Мы получили представление о значимости атрибутов и оценки полезностей уровней, мы ответили на несколько исследовательских вопросов для конкретного примера. Теперь же мы можем обобщить полученные знания, и описать исследовательские проблемы, которые решает традиционный conjoint анализ.

• · Какие свойства товара наиболее значимы для потребителя?
• · Какова полезность отдельных характеристик товара?
• · Какие версии товаров буду пользоваться наибольшей и наименьшей востребованностью у потребителей?

Здесь перечислены почти все задачи, которые мы можем выполнить по всей выборке с помощью традиционного conjoint. Отвечая на эти вопросы, мы безусловно, получаем много нужно и важной информации о потребительских предпочтениях. Тем не менее, когда мы считаем полезности по всей выборке, мы чаще всего получаем пресловутую среднюю температуру по больнице. Это значит, что у нас не будет понимания, в каких палатах лежат больные со схожими заболеваниями. Это приводит исследователя к задаче сегментации потребительского поведения. Данную задачу можно решать двумя способами. В первом случае мы можем включить в анкету несколько демографических переменных, которые в последствии помогут нам разбить совокупность на несколько подсовокупностей. Во втором случае, мы займемся подсчетом индивидуальных полезностей и объединением схожего потребительского поведения методом кластерного анализа. В этой главе мы не будем затрагивать тему индивидуальных полезностей. Мы вернемся к ней позже в отдельной главе, специально отведенной для них.

Достоинства и недостатки метода

Завершая главу, посвященную алгоритму традиционного совместного анализа в SPSS, рассмотрим достоинства и недостатки данного метода. Первое и очевидное достоинство методики — ее способность давать корректные ответы на исследовательские вопросы. Во-вторых, положительным качеством метода, определенно, является завершающий тест предсказательной силы модели с участием контрольных профилей. Последнее достоинство совместного анализа в SPSS является простота метода и легкость его освоения. Несмотря на множество плюсов, conjoint в SPSS обладает рядом сокрушительных минусов. Самое главное отрицательное впечатление от этого метода возникает уже на этапе опроса. Если число профилей, которые мы предъявляем респонденту, больше 10-ти, то у респондента возникают трудности с корректным расположением профилей по ранговой шкале. Во-вторых, совместный анализ в SPSS не подразумевает оценку качества модели линейной регрессии. В output листе исследователь получает только значения бета-коэффициентов и стандартные ошибки. Тем не менее, для оценки точности результатов необходимо еще исследовать регрессионную модель на ограничения, проверить значения R-квадрат и значимость Ф-статистики. В-третьих, шкала, по которой респондент ранжирует объекты представляет из себя количественную переменную. Такой метод сбора данных ограничивает исследователя в выборе математической модели для описания данных.